Lean-Stack（精益技术栈）
定义
Lean-Stack 是一种将月技术开销压到极低水平（$20/月或以下）仍能支撑盈利产品的技术架构选择。核心哲学：成本接近零 = 无限跑道。
标准配置
| 组件 | Lean-Stack 选择 | 传统选择 |
|---|---|---|
| 服务器 | Linode/DigitalOcean $5/月 (1GB RAM) | AWS/GCP $50-500/月 |
| 数据库 | SQLite + WAL | PostgreSQL/MySQL |
| 语言 | Go (静态二进制, scp 部署) | Python/Node.js/Java |
| 认证 | 自写 OAuth2 (30 行) | Auth0/Clerk |
| AI 批量推理 | RTX 3090 + VLLM (一次性 $900) | OpenAI API 按 token 付费 |
| AI API 网关 | OpenRouter (按量付费 + 自动回退) | 直接对接各厂商 API |
| AI 开发 | GitHub Copilot per-request ($13/月) | Cursor/其他按 token 计费 |
| 部署 | systemd service | Docker + K8s |
关键数据点
SQLite vs PostgreSQL 性能对比
跑 10 万次 SELECT 1 benchmark:
- PostgreSQL (localhost TCP): 2.77 秒
- PostgreSQL (Unix socket): 1.93 秒
- SQLite (内存): 0.07 秒 — 差距近 40 倍
SQLite + WAL 支持多读者、单写者并发，查询走 C 函数调用（纳秒级），而 Postgres 需要经过 TCP 往返（毫秒级）。
内存效率
- Python gunicorn 4 workers: 基线 500MB
- Go 静态二进制: 几 MB
- Go 交叉编译为单一静态二进制文件，
scp上传到$5VPS 即运行，无pip install依赖地狱
AI 成本三层层级
| 层级 | 方案 | 成本 | 适用场景 |
|---|---|---|---|
| 本地批量 | RTX 3090 (24GB) + VLLM PagedAttention | 一次性 $900 | 大批量分类/摘要/研究 |
| API 网关 | OpenRouter 统一接口 + 自动回退 | 按量 | 前沿模型、低延迟用户交互 |
| 开发辅助 | GitHub Copilot per-request | $13/月 | 日常编码（一次请求可驱动 agent 30 分钟） |
本地 AI 升级路径: Ollama (快速实验) → VLLM (生产并发) → Transformer Lab (微调)
Agentic 扩展：本地优先，云端升级
Tomasz Tunguz 的 “minimill” 案例把 Lean-Stack 从低成本软件栈扩到了低成本 agent 栈：先用本地小模型把任务分流，复杂任务再升级到云端。结果是 78% 的 AI 工作留在本地处理，平均任务时长从 47 秒降到 19 秒，queue age 从 73 秒降到 4。
这里的关键不是“全部本地化”，而是先路由，再决定是否动用昂贵算力。对 Lean-Stack 来说，这意味着 AI 成本优化不只是在 API 账单层做减法，而是在任务入口处做结构化分层。
前提与局限性
- 适用场景: 独立开发者、小型产品、月活 < 百万级的应用
- 不适用场景: 需要多区域部署、PB 级数据、复杂分布式事务
- 关键前提: WAL 模式下单写者限制，高并发写入场景需要额外设计
- 新增前提: 本地优先的 agent 栈依赖任务分流质量；若 easy / hard 误判过多，性能收益会被回退和升级开销吃掉
- 认知偏差: 部分选择依赖 Steve Hanov 个人经验，不同产品可能需要不同方案
关联概念
- Anti-Enterprise-Mindset — 不买"万一"的账
- Runway-Math — 低成本的数学逻辑
- Constraint-Driven-Engineering — 约束决定技术选择
- Steve-Hanov — 实践者